4. 尺寸与形状优化：参数化建模、网格变形与多目标方法
各位工程师朋友，咱们今天聊聊优化设计里最实在的两个手段——尺寸优化和形状优化。说实话，我入行头几年，总觉得优化就是调调参数，后来踩了不少坑才明白，这里面的门道深着呢。
4.1 尺寸优化：参数化建模是基本功
尺寸优化，说白了就是改厚度、改长度、改直径这些几何尺寸。你想想看，一个支架的壁厚从5mm改成4mm，重量轻了，但强度够不够？这就是尺寸优化要回答的问题。
我个人习惯，做尺寸优化前一定要先建好参数化模型。什么叫参数化？就是把所有可能变化的尺寸都设成变量，而不是写死。
举个例子，我在设计一个电机安装座时，把底板厚度、筋板高度、螺栓孔位置都设成了参数。代码大概长这样：
// 参数化建模示例（Python + Abaqus脚本）
thickness = 5.0 # mm，初始值
rib_height = 20.0 # mm
hole_position = [30.0, 45.0] # mm
# 更新几何
model.Part('bracket').features.changeDimension(
feature='thickness', value=thickness)
model.Part('bracket').features.changeDimension(
feature='rib_height', value=rib_height)
# 重新划分网格
model.Part('bracket').seedPart(size=2.0)
model.Part('bracket').generateMesh()嗯，这里要注意：参数化不是把所有尺寸都设成变量。我见过有人把倒角半径也设成变量，结果优化出来的形状根本没法加工。避坑指南：只把对性能敏感且可制造的尺寸设为变量。
4.2 形状优化：网格变形技术
尺寸优化只能改改厚度、长度，但形状优化能改变零件的轮廓。比如一个悬臂梁，你希望它的上表面变成曲线来减轻重量——这就是形状优化的活。
形状优化的核心是网格变形。说白了，就是通过移动网格节点的位置来改变形状，而不是重新建模。这样做的好处是：
- 保持网格拓扑：节点连接关系不变，计算稳定
- 避免重新划分：省时间，尤其对于复杂模型
- 平滑过渡：不会出现尖角或突变
我曾经在一个汽车连杆项目中用过网格变形。初始设计是直杆，优化后变成了S形——重量降了18%，疲劳寿命反而提升了。怎么做到的？其实就是让网格节点沿着某个方向移动，用样条曲线控制变形路径。
形状优化的数学表达其实不复杂：
目标：最小化质量 m(x)
约束：最大应力 σ_max ≤ [σ]
最大位移 δ_max ≤ [δ]
设计变量：节点坐标 x_i (i=1,2,...,n)
方法：梯度优化或遗传算法但实际操作中，节点数量动辄上万，直接优化每个节点坐标是不现实的。所以我们会用形状基向量——把几十个节点的运动组合成几个“形状模式”，只优化这几个模式的系数。
4.3 多目标优化（MOO）：鱼和熊掌怎么兼得？
做工程的人都知道，没有完美的设计。轻了可能刚度不够，强了可能太重。多目标优化就是帮你在这几个互相矛盾的目标之间找平衡。
我参与过一个无人机机臂的设计，三个目标：
- 最小化质量（为了续航）
- 最大化一阶固有频率（避免共振）
- 最小化最大应力（保证安全）
这三个目标互相打架。质量轻了，频率就低；频率高了，应力又可能变大。怎么办？
常用的方法有几种：
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 加权求和法 | 给每个目标赋权重，合成单目标 | 目标重要性明确时 |
| ε-约束法 | 优化一个目标，其他设成约束 | 有硬性指标时 |
| 帕累托前沿法 | 生成一组非劣解，供决策者选择 | 需要权衡多个方案时 |
我个人最常用的是帕累托前沿法。为什么？因为它不强迫你提前定权重。你想想看，很多时候我们根本不知道质量重要还是频率重要，得看到数据才能判断。
下面这张图展示了尺寸优化、形状优化和多目标优化的关系：
从图中你能看到，三种方法不是孤立的。实际项目中，我经常先做尺寸优化找到大概的厚度范围，再用形状优化微调轮廓，最后用多目标优化在重量和寿命之间找平衡。
好了，尺寸与形状优化这块就聊到这儿。记住一句话：优化不是炫技，是帮你在约束条件下找到最好的工程方案。下次你遇到一个设计，不妨先问问自己：我到底要优化什么？是重量、强度、寿命，还是都得兼顾？想清楚了，方法自然就有了。
公众号:蓝海资料掘金营，微信deep3321